Axis Robotics rende open-source uno dei più grandi dataset di simulazione del braccio Franka per l'intelligenza artificiale fisica

Axis Robotics ha rilasciato Axis Sim Dataset V1, uno dei più grandi dataset di simulazione open-source per la manipolazione del braccio robotico Franka, con il dataset completo, il codice di addestramento e i benchmark disponibili pubblicamente. La versione V1 è composta da oltre 50.000 traiettorie di simulazione teleoperate da un essere umano, relative a 207 attività di manipolazione e oltre 60.000 varianti di scena su un braccio robotico Franka Research 3 simulato.

Questo dataset ha totalizzato oltre 160.000 download, diventando il dataset di manipolazione di simulazione Franka open-source più scaricato su Hugging Face. Nei benchmark, il pre-addestramento continuo sulla V1 ha migliorato le prestazioni di π0,5 e ha superato una baseline RoboCasa con volume corrispondente, con ogni risultato pubblico e verificabile.

Axis Robotics sta sviluppando il motore di elaborazione dati definitivo per l'IA fisica, un sistema integrato verticalmente che spazia dalla simulazione su larga scala all'acquisizione egocentrica del mondo reale, dalla locomozione e manipolazione di robot umanoidi all'addestramento post-processo DAgger con controllo umano. L'azienda ha raccolto 12 milioni di dollari in finanziamenti seed guidati da Hack VC, con la partecipazione di Nomad Capital, Pi Network Ventures, 10K Ventures e investitori angel.

Una scommessa contro il principio "Solo dati puliti"

Un'ipotesi comune nella robotica è che le dimostrazioni debbano essere quasi ottimali fin dall'inizio: si filtrano le traiettorie degli esperti, si standardizza la configurazione e si scartano tutte le anomalie prima di poterle imitare in sicurezza. La tesi di Axis va di fronte all'opposto: la qualità dei dati risiede nella distribuzione, non nella singola traiettoria. Quando un gruppo sufficientemente ampio e diversificato produce traiettorie rumorose e subottimali, e i loro errori non sono correlati, il rumore si compensa e una strategia funzionante sopravvive durante l'addestramento.

Il dataset Axis Sim V1 mette alla prova pubblicamente questa tesi. Le sue traiettorie comprendono operazioni di prelievo e posizionamento, impilamento, versamento, manipolazione di oggetti articolati e utilizzo di strumenti, tutte raccolte tramite la piattaforma di teleoperazione basata su browser di Axis, Axis Hub, da una rete distribuita di utenti anziché da un singolo team di esperti. Il dataset è stato creato con la collaborazione di ricercatori dell'UC Berkeley, della Johns Hopkins, dell'Università del Michigan e di altre istituzioni.

Risultati scalabili

Su LIBERO-Plus, il pre-addestramento continuo su V1 aumenta il successo di π0.5 dall'83,9% all'88,8% e supera un modello di riferimento RoboCasa365 con volume equivalente del 37,3%. Le prestazioni migliorano costantemente man mano che i dati di pre-addestramento aumentano dal 25% al ​​100% del dataset, senza mostrare segni di saturazione, a dimostrazione che i miglioramenti derivano dalla diversità e dalla copertura piuttosto che da un picco una tantum. I miglioramenti maggiori si osservano in presenza di perturbazioni della telecamera, del rumore del sensore e del layout, ovvero gli assi esatti che Axis randomizza durante la generazione.

Il team afferma che la versione V2 è già in fase di sviluppo, con un'estensione a 1,2 milioni di traiettorie su 1.200 attività, e che i risultati ottenuti su più modelli VLA dimostrano che i dati di simulazione non ottimali consentono di addestrare politiche robuste.

Il motore alla base del dataset

Il dataset è uno degli output di un motore di dati più ampio e in continua evoluzione. Mentre un fornitore di dati tradizionale raccoglie dati secondo specifiche fisse e si ferma, Axis utilizza le prestazioni del modello e i casi di errore per determinare cosa raccogliere successivamente, in modo che ogni ciclo di addestramento influenzi il successivo. Questo motore opera con una strategia ibrida su quattro linee di dati, e tutte e quattro ora funzionano su larga scala:

• Simulazione: oltre 200.000 collaboratori distribuiti su Axis Hub, una delle 3 dApp più importanti su Base, che hanno generato oltre 4,7 milioni di traiettorie in 13 diverse configurazioni.
• Egocentric: una rete gestita di oltre 1.000 raccoglitori a tempo pieno, formati per il controllo qualità, che registrano l'attività in prima persona in case e aziende reali in 14 settori: oltre 200.000 ore già accumulate e in crescita di oltre 4.000 ore ogni giorno, con la postura della mano verificata da Vicon.
• Loco-manipolazione: oltre 500 ore di esperienza nella combinazione di mobilità e destrezza su umanoidi reali (Unitree G1, Booster T2) tramite teleoperazione indipendente dall'hardware.
• Formazione post-implementazione DAgger con intervento umano: oltre 500 ore di correzione con intervento umano mirata ai casi limite di implementazione.

Ogni attività e traiettoria vengono registrate on-chain su Base per garantirne la provenienza, e i collaboratori vengono ricompensati per la qualità del lavoro verificato.

Dai dati aperti alla distribuzione commerciale

Oltre a rendere pubblici i dati di simulazione, Axis collabora direttamente con aziende che si occupano di incarnazione robotica per costruire pipeline di dati e modelli a priori personalizzati e specifici per ogni incarnazione.

In qualità di primo partner di Booster Robotics per i dati di simulazione, Axis ha ricostruito l'ambiente di lavoro reale di Booster come un gemello digitale allineato alle attività, ha fatto in modo che collaboratori distribuiti raccogliessero oltre 42.000 episodi di simulazione e li ha distillati in un modello a priori specifico per Booster. Con sole 30 dimostrazioni con robot reali, tale modello a priori ha raggiunto l'87,5% di successo contro il 37,5% di un π0.5 predefinito, eguagliando π0.5 utilizzando la metà delle dimostrazioni nel mondo reale.

Tra gli altri partner figurano aziende specializzate nell'incarnazione (Feagine Robotics), aziende di modellismo (Manycore Tech, Dexmal) e aziende di automazione industriale (Lotus Cars, Geely Auto). Axis fornisce anche reti di robotica on-chain: BitRobot su Solana e OpenRoboto su Bittensor.

defile fondamenta dei dati dell'IA fisica

"Il futuro dell'IA fisica non è un set di dati statico da scaricare una volta sola", ha affermato Chris Feng, fondatore di Axis Robotics. "È un motore che continua a produrre i dati di cui il modello ha bisogno. La scalabilità garantisce un'ampia copertura. La diversità mantiene il rumore imparziale. Il ciclo chiuso trasforma ogni fallimento in progresso. È questo che genera un effetto cumulativo."

Axis è stata fondata da ricercatori dell'UC Berkeley, della CMU, del Georgia Tech e della SJTU, insieme a fondatori seriali che hanno portato piattaforme di consumo a raggiungere oltre 30 milioni di utenti. La sua ricerca è supervisionata da Jiachen Li, professore assistente al Georgia Tech.

Link all'articolo: https://arxiv.org/abs/2607.21588

Pagina del progetto: https://axisaiorg.github.io/AXIS-V1/

Link al dataset: https://huggingface.co/datasets/axisrobotics/Franka-Dataset

Codice sorgente su GitHub: https://github.com/AxisAIOrg/Axis-V1-Training